1.一种注意力融合感知网络的下一个兴趣点推荐方法,其特征在于:包括以下步骤:步骤一、从社交网络中采集用户的历史签到数据;
步骤二、提取历史签到数据中用户、用户访问过的兴趣点及位置、访问时间以及兴趣点类别形成用户的一个签到记录;
步骤三、将每个签到记录分为长期签到序列数据和短期签到序列数据进行语义空间映射,得到每个签到记录特征矢量,再将用户所有签到记录特征矢量组成用户的轨迹特征向量;
步骤四、将用户的签到序列数据推送给模型进行训练,经过随机搜索的方式学习出适应该区域的最优超参数;所述模型动态提取用户对兴趣点的长期偏好特征和短期偏好特征,两种特征表达为两个特征嵌入向量,将两种特征进行注意力机制计算,通过得分进行排序,输出排名为前K的兴趣点;K为设定值;
(1)通过循环神经网络和自注意力单元捕获用户长期偏好表示;对用户长期签到序列数据进行编码处理,编码方式采用适于处理长距离数据依赖问题的长短期记忆网络LSTM,它可以对输入特征的流通和损失进行控制,具体公式如下:ft=σ(Wf·[ht‑1,xt]+bf)
it=σ(Wi·[ht‑1,xt]+bi)
ot=σ(Wo·[ht‑1,xt]+bo)
ht=ot*tanh(Ct)
其中Wf、Wi、Wc为权重参数;σ为激活函数;xt为当前状态下的数据输入,ht为隐含状态;ot为输出门,决定哪些信息将会被当作当前状态的输出;输入门it对信息进行挑选,遗忘门ft对上一节点传来的输入进行选择性忘记,通过将一部分信息剔除来防止大量信息涌入模型中;
(2)将学习到的编码向量送入到自注意力层中,捕获用户轨迹中每个签到兴趣点之间的关系,得到用户的长期偏好兴趣表示;
将数据送入模型进行训练,采用动态调节的卷积神经网络捕获用户短期偏好表示;
步骤五、将训练模型部署在多个服务器中,按一定频率将用户签到数据序列传入不同服务器中进行预测,并根据用户ID将预测结果传回用户端;
步骤六、记录用户下一签到地点以及相对应的类别信息,得到反馈数据用于优化模型,通过反馈及新用户签到序列定期更新模型。
2.根据权利要求1中一种注意力融合感知网络的下一个兴趣点推荐方法,其特征在于:步骤一中,从社交网络大数据平台中获取用户签到数据构成的信息集合,其中包含签到数据涉及到的用户ID、兴趣点ID、用户‑兴趣点交互时间、兴趣点位置以及兴趣点类别信息。
3.根据权利要求1中一种注意力融合感知网络的下一个兴趣点推荐方法,其特征在于:步骤二中,根据用户的行为将一天的签到数据组成一个序列组,对序列组进行清洗,去掉一天签到次数少的序列,去掉签到总次数少于5次的用户数据以及签到次数少于5次的兴趣点。
4.根据权利要求1中一种注意力融合感知网络的下一个兴趣点推荐方法,其特征在于:步骤三中,将序列组分为训练集和测试集,将训练集推送给模型,采用深度学习的方式并在Tensorflow框架上进行训练。
5.根据权利要求1中一种注意力融合感知网络的下一个兴趣点推荐方法,其特征在于:步骤四中,利用注意力机制来动态调节不同偏好之间的权重,得到用户对不同偏好的影响力向量,并与用户ID嵌入向量进行拼接。
6.根据权利要求1中一种注意力融合感知网络的下一个兴趣点推荐方法,其特征在于:步骤六中,通过后续不断采集用户下一签到地点以及相对应的类别信息,对模型进行更新优化,将后续采集的用户数据直接划分为训练集和测试集,以历史模型作为预训练模型进行微调操作;将后续数据的训练集直接输入到模型中,然后随机选择原始测试集和当前测试集,将模型超参数调整到最佳。